- INSTRUMENTO Fondo Clemente Estable
- BENEFICIARIO Alejandro Cholaquidis Noblía : Facultad de Ciencias
- DEPARTAMENTO Montevideo, Salto
- SUBSIDIO UYU 1300000
- FECHA DE INICIO 01.03.2020
- DURACIÓN 38 meses
- AÑO CONVOCATORIA 2019
- CÓDIGO FCE_1_2019_1_156054
- FASE CERRADO
- ESTADO Terminado
La estadística de datos en el alta dimensión así como la de datos funcionales requiere de nuevas técnicas ya que los métodos tradicionales en estadística clásica resultan inadecuados para abordarlos. Esto se debe a que en alta dimensión a menudo el tamaño de la muestra es menor a la dimensión de los datos. En el caso de datos funcionales requiere del manejo de procesos estocásticos. En este proyecto abordaremos el estudio de cinco problemas estadísticos importantes cuando los datos se encuentran en espacios no necesariamente euclideanos utilizando su estructura métrica. Consideraremos los siguientes problemas, 1) el modelo lineal funcional de respuesta escalar, mediante el uso de RKHS (Reproducing Kernel Hilbert spaces) 2) nuevos procedimientos de bi-clustering en espacios métricos 3) test de hipótesis para datos binarios en alta dimensión 4) estimación de conjuntos bi-convexos 5) un enfoque geométrico del aprendizaje profundo. Analizaremos las propiedades asintóticas de los procedimientos, generaremos nuevos algoritmos para resolverlos, estudiaremos su comportamiento para tamaños de muestra moderada por simulaciones y presentaremos ejemplos de aplicación en datos reales. Importantes aplicaciones de estos procedimientos son en biología, en particular en genética, text mining, datos nutricionales, datos electorales, target marketing, reconocimiento de patrones y de imágenes. Una tesis de doctorado se desarrollará en parte sobre temas del proyecto.
La estadística de datos en el alta dimensión así como la de datos funcionales requiere de nuevas técnicas ya que los métodos tradicionales en estadística clásica resultan inadecuados para abordarlos. Esto se debe a que en alta dimensión a menudo el tamaño de la muestra es menor a la dimensión de los datos. En el caso de datos funcionales requiere del manejo de procesos estocásticos. En este proyecto abordamos el estudio de tres problemas estadísticos importantes cuando los datos se encuentran en espacios no necesariamente euclideanos utilizando su estructura métrica. Consideramos los siguientes problemas, 1) el modelo lineal funcional de respuesta escalar, mediante el uso de RKHS (Reproducing Kernel Hilbert spaces) 2) test de hipótesis para datos binarios en alta dimensión 3) estimación de conjuntos bi-convexos Analizamos las propiedades asintóticas de los procedimientos, generamos nuevos algoritmos para resolverlos, estudiamos su comportamiento para tamaños de muestra moderada por simulaciones y presentamos ejemplos de aplicación en datos reales: en biología, en particular en genética, text mining, datos nutricionales, datos electorales, target marketing, reconocimiento de patrones y de imágenes.